مشخصات کتاب

Mastering Java machine learning : mastering and implementing advanced techniques in machine learning

ویرایش:  
نویسندگان: Choppella. Krishna,  Kamath. Uday  
سری:  
ISBN (شابک) : 9781785888557, 1785888552 
ناشر:  
سال نشر: 2017 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : ZIP (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 141 مگابایت 

در صورت تبدیل فایل کتاب Mastering Java machine learning : mastering and implementing advanced techniques in machine learning به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب تسلط بر یادگیری ماشین جاوا: تسلط و پیاده سازی تکنیک های پیشرفته در یادگیری ماشین نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب تسلط بر یادگیری ماشین جاوا: تسلط و پیاده سازی تکنیک های پیشرفته در یادگیری ماشین

با این مجموعه پیشرفته کلاس های کارشناسی ارشد در مورد یادگیری ماشین برنامه گرا در مورد این کتاب، یک پزشک پیشرفته شوید. تکنیک ها، با کد و استفاده عملی. بیش از 10 مطالعه موردی در دنیای واقعی در تکنیک‌های برجسته‌سازی یادگیری ماشین، از دریافت داده‌ها تا تجزیه و تحلیل نتایج آزمایش‌ها، همگی کاربر را برای استفاده عملی و واقعی از ابزارها و تجزیه و تحلیل داده‌ها آماده می‌کنند. این کتاب برای چه کسی است. ترجیحاً، شما با اصول یادگیری ماشینی تجربه خواهید داشت و اکنون میل به کاوش بیشتر در منطقه دارید، تا با پیچیدگی های ریاضی الگوریتم های آن دست و پنجه نرم می کنید، و مایلید نکات کامل یادگیری ماشینی عملی را بیاموزید. چه خواهید آموخت، کتابخانه‌های کلیدی یادگیری ماشین جاوا را با راهنمایی تئوری و عملی حل کنید. تکنیک‌های قدرتمند را در هر دسته اصلی از یادگیری ماشینی مانند طبقه‌بندی، خوشه‌بندی، تشخیص ناهنجاری، مدل‌سازی نمودار و متن کاوی کاوش کنید. با روش‌شناسی، فرآیندها، برنامه‌ها و تحلیل‌ها، یادگیری ماشین را روی داده‌های دنیای واقعی اعمال کنید. تکنیک‌ها و آزمایش‌ها پیرامون جدیدترین تخصص‌ها در یادگیری ماشین، مانند یادگیری عمیق، داده‌کاوی جریانی، و یادگیری فعال و نیمه‌نظارت شده توسعه یافته‌اند. با استفاده از جدیدترین ابزارها و روش‌ها، مدل‌های پیش‌بینی تطبیقی ​​با کارایی بالا، زمان واقعی و برای یادگیری کلان داده مبتنی بر دسته‌ای و جریانی بسازید. درک عمیق‌تری از فناوری‌هایی که به سمت هوش مصنوعی قدرتمندتر قابل استفاده در حوزه‌های مختلف مانند امنیت، جرایم مالی، اینترنت اشیا، شبکه‌های اجتماعی و غیره می‌شوند، دریافت کنید. در جزئیات جاوا یکی از زبان های اصلی است که توسط متخصصان داده استفاده می شود. بیشتر اکوسیستم هادوپ مبتنی بر جاوا است، و مطمئناً این زبانی است که اکثر سیستم‌های تولید در علم داده با آن نوشته می‌شوند. اگر جاوا را می‌شناسید، تسلط بر یادگیری ماشینی با جاوا قدم بعدی شما در مسیر تبدیل شدن به یک متخصص پیشرفته در این زمینه است. علم داده. این کتاب قصد دارد شما را با مجموعه‌ای از تکنیک‌های پیشرفته در یادگیری ماشین آشنا کند، از جمله طبقه‌بندی، خوشه‌بندی، تشخیص ناهنجاری، یادگیری جریانی، یادگیری فعال، یادگیری نیمه نظارت شده، مدل‌سازی نمودار احتمالی، متن کاوی، یادگیری عمیق و دسته‌ای داده‌های بزرگ و جریان یادگیری ماشینی همراه با هر فصل، مثال‌های گویا و مطالعات موردی در دنیای واقعی وجود دارد که نشان می‌دهد چگونه می‌توان تکنیک‌های تازه آموخته شده را با استفاده از متدولوژی‌های صوتی و بهترین ابزارهای مبتنی بر جاوا که امروزه در دسترس است، به کار برد. با تکمیل این کتاب، شما درک درستی از ابزارها و تکنیک های ساخت مدل های یادگیری ماشینی قدرتمند برای حل مسائل علم داده در تقریباً هر حوزه ای خواهید داشت. سبک و رویکرد راهنمای عملی برای کمک به شما در کشف یادگیری ماشین - و مجموعه‌ای از ابزارها و چارچوب‌های مبتنی بر جاوا - با کمک مثال‌های عملی و موارد استفاده در دنیای واقعی.

توضیحاتی درمورد کتاب به خارجی

Become an advanced practitioner with this progressive set of master classes on application-oriented machine learning About This Book Comprehensive coverage of key topics in machine learning with an emphasis on both the theoretical and practical aspects More than 15 open source Java tools in a wide range of techniques, with code and practical usage. More than 10 real-world case studies in machine learning highlighting techniques ranging from data ingestion up to analyzing the results of experiments, all preparing the user for the practical, real-world use of tools and data analysis. Who This Book Is For This book will appeal to anyone with a serious interest in topics in Data Science or those already working in related areas: ideally, intermediate-level data analysts and data scientists with experience in Java. Preferably, you will have experience with the fundamentals of machine learning and now have a desire to explore the area further, are up to grappling with the mathematical complexities of its algorithms, and you wish to learn the complete ins and outs of practical machine learning. What You Will Learn Master key Java machine learning libraries, and what kind of problem each can solve, with theory and practical guidance. Explore powerful techniques in each major category of machine learning such as classification, clustering, anomaly detection, graph modeling, and text mining. Apply machine learning to real-world data with methodologies, processes, applications, and analysis. Techniques and experiments developed around the latest specializations in machine learning, such as deep learning, stream data mining, and active and semi-supervised learning. Build high-performing, real-time, adaptive predictive models for batch- and stream-based big data learning using the latest tools and methodologies. Get a deeper understanding of technologies leading towards a more powerful AI applicable in various domains such as Security, Financial Crime, Internet of Things, social networking, and so on. In Detail Java is one of the main languages used by practicing data scientists; much of the Hadoop ecosystem is Java-based, and it is certainly the language that most production systems in Data Science are written in. If you know Java, Mastering Machine Learning with Java is your next step on the path to becoming an advanced practitioner in Data Science. This book aims to introduce you to an array of advanced techniques in machine learning, including classification, clustering, anomaly detection, stream learning, active learning, semi-supervised learning, probabilistic graph modeling, text mining, deep learning, and big data batch and stream machine learning. Accompanying each chapter are illustrative examples and real-world case studies that show how to apply the newly learned techniques using sound methodologies and the best Java-based tools available today. On completing this book, you will have an understanding of the tools and techniques for building powerful machine learning models to solve data science problems in just about any domain. Style and approach A practical guide to help you explore machine learning—and an array of Java-based tools and frameworks—with the help of practical examples and real-world use cases.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب An Introduction to Psychoanalysis: Contemporary Theory and Practice

دانلود کتاب Thoracic Image Analysis: Second International Workshop, TIA 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 8, 2020, Proceedings

دانلود کتاب Classics in Clinical Dermatology with Biographical Sketches, 50th Anniversary Second Edition

دانلود کتاب Coincidences: Synchronicity, Verisimilitude, and Storytelling

دانلود کتاب Texas